AI大模型技术星球

在构建RAG（检索增强生成）系统时，文本分块质量直接影响知识检索精度与LLM输出效果。本文将深入解析五种分块策略的工程实现与优化方案。文中还会放一些技术文档，方便大家更好的理解RAG中常见的技术点。

一、MCP服务架构核心 ​​三层服务模型​​（资源/提示/工具协同工作）： ​​服务类型对比矩阵​​： 服务类型 状态修改 缓存支持 协议类比 典型应用场景 Resource ❌ ✅ REST GET

为了帮助大家从底层更好地理解 RAG 的工作原理，带你撕开技术黑箱，仅用numpy等Python基础库构建RAG系统，从零手撕RAG内核！从文本划分、向量化、相似度检索到生成优化，逐行代码解剖检索增强

本文首次公开结构化树状数据的RAG全链路优化方案，通过独创的路径感知混合嵌入算法和动态子树分块策略，成功在工业级场景中将召回率提升25-40%、延迟降低30-50%。我们将深度拆解七层优化架构：从智能

在探讨大模型（LLM）的四阶段技术时，我们可以从Prompt Engineering（提示工程）、AI Agent（人工智能代理）、Fine-tuning（微调）以及Pre-training（预训练）

一、MCP Sampling：让大模型学会“精准提问” 1.1 采样原理拆解 核心作用：解决传统情感分析中“上下文缺失”和“动态场景适应”难题 关键优势： 人工审核机制：拦截敏感内容（如政治言论） 动

一、MCP协议：大模型与外部系统的“神经枢纽” 核心价值 解耦设计：大模型（Client）专注推理决策，外部操作（Server）交给工具执行 动态扩展：新增工具无需修改模型代码，通过JSON-RPC标